一种新型快速高效的滤波器小样本建模及优化方法
阅读说明：本技术 一种新型快速高效的滤波器小样本建模及优化方法 (Novel rapid and efficient filter small sample modeling and optimizing method ) 是由 喻梦霞 陈林 汪家兴 李桂萍 于 2020-12-25 设计创作，主要内容包括：本发明公开了一种新型快速高效的滤波器小样本建模及优化方法,针对原有建模优化方法和实际滤波器电路设计中建模优化计算耗时长,且样本数据量有限的不足,本发明提出了一种新颖快速高效的滤波器小样本建模及模型优化方法,该方法是一种基于先验知识的高斯过程的滤波器正向建模及基于粒子群反向优化的方法(KBGP)。在正向建模时,该方法使用粗糙样本数据,训练ANNs粗糙网络；之后,将ANNs的输出向量作为先验知识注入GPR,可以减少GPR的样本数据,获得高精度电路模型；在反向优化时,使用粒子群优化(PSO)方法,快速优化模型输入向量获得最佳全局的输入向量了。(The invention discloses a novel rapid and efficient filter small sample modeling and optimizing method, and provides a novel rapid and efficient filter small sample modeling and model optimizing method aiming at the defects that the time consumption for modeling optimization calculation in the original modeling optimization method and the actual filter circuit design is long and the sample data volume is limited. In forward modeling, the method trains ANNs rough networks by using rough sample data; then, the output vector of the ANNs is used as priori knowledge to be injected into the GPR, sample data of the GPR can be reduced, and a high-precision circuit model is obtained; in the reverse optimization, the optimal global input vector is obtained by rapidly optimizing the model input vector by using a Particle Swarm Optimization (PSO) method.)
技术领域
本发明涉及滤波器的仿真建模及模型优化领域，具体涉及一种新型快速高效的滤波器小样本建模及模型优化方法，该方法是一种基于先验知识的高斯过程的滤波器正向建模和基于粒子群的反向优化的方法(KBGP)。
背景技术
随着无线通信技术的发展，各种新技术不断涌现，滤波器也在不断向更高的频率发展，其性能和电路结构更加复杂，原有的建模优化方法逐渐不能满足现代设计的需要。现代滤波器设计的模型不仅需要能够描述行为特性，还要准确反映变量不同而引发滤波器性能的改变。现代滤波器精确建模优化技术，是基于电磁理论的全波分析方法，通过专业电磁仿真软件(诸如CST、HFSS等)得到理想的电路，但是全波分析法消耗计算资源多和时间长，随着滤波器工作频率增大，结构复杂，精度提高，计算次数和资源消耗呈指数上升，导致软件计算耗时过长，并且计算结果经常不收敛或不满足精度要求，在实际复杂工程应用中愈加困难，因此，设计迫切地需要一种快速高效的建模优化方法来适应不断变化的设计需求。
机器学习的出现为滤波器的建模优化提供了新的思路。如果以机器学习生成的模型替代电磁仿真，利用机器学习精度高、计算时间短、占用内存少的特点，就可以高效地进行现代滤波器的建模优化。人工神经网络(ANNs)和高斯过程回归(GPR)是两种高效的机器学习建模优化方法，近年来被逐渐应用于滤波器的建模和优化。ANNs能利用大量的样本数据，建立ANNs模型，可以逼近几何结构尺寸和滤波器电参数间难以描述的复杂关系。但是，ANNs的网络结构很难确定，尤其网络层数和神经元个数的选取缺乏理论支持，需要的训练样本太多，耗时过长，难以实现快速建模。知识神经网(KBNN)是ANNs的一种改进方法，虽然能够在一定程度上减少训练的样本，但是对于精确训练样本极其不充分时，知识神经网络的效果也是有限的。GPR作为一种强有力的工具，不仅模型训练时间较短、精度高，而且能够应用于复杂电路的建模优化，恰好可以弥补ANNs的缺点，更重要的是，GPR适用于小样本的训练，但是，GPR计算过量大，导致建模效率低。因此，单独使用一种机器学习方法无法满足现代滤波器快速精确建模优化的需要。
针对原有建模优化方法和实际滤波器电路设计中，建模优化计算耗时长，且样本数据量有限的问题，提出了一种新颖快速高效的滤波器小样本建模及模型优化方法，该方法是一种基于先验知识的高斯过程的滤波器正向建模及基于粒子群反向优化的方法(KBGP)。本发明的新方法(KBGP)使用样本数量少，建模优化速度快，精确度高，可解决原有电路建模优化问题，实现滤波器的快速高效高精度建模优化。
发明内容
本发明的目的在于：提供了一种新型快速高效的滤波器小样本建模及优化方法，针对原有建模优化方法和实际滤波器电路设计中建模优化计算耗时长，且样本数据量有限的不足，本发明提出了一种新颖快速高效的滤波器小样本建模及模型优化方法，该方法是一种基于先验知识的高斯过程的滤波器正向建模及基于粒子群反向优化的方法(KBGP)。在正向建模时，该方法使用粗糙样本数据，训练ANNs粗糙网络；之后，将ANNs的输出向量作为先验知识注入GPR，可以减少GPR的样本数据，获得高精度电路模型；在反向优化时，使用粒子群优化(PSO)方法，快速优化模型输入向量获得最佳全局的输入向量了。
本发明采用的技术方案如下：
本发明提出的KBGP方法有两个阶段：正向建模和反向优化，见图1。正向建模时，粗糙模型是一个低精度模型，即一个多层感知神经网络(MLPANN)，其训练样本数据来源于仿真软件ADS。ADS是基于路的电磁软件，仿真速度快、精度低，利用ADS能在极短的时间获得足够样本数据，构建粗糙模型。然后，利用GPR，结合粗糙模型输出的先验知识，加快实现粗糙模型和全波电磁仿真获得的结果间映射，实现GPR精确收敛，完成KBGP的正向建模过程。反向优化时，利用PSO全局寻优特点，将GPR的输出结果作为适应度，更新PSO算法中粒子的位置，仅需几秒的时间就可获得全局最优解，完成KBGP的反向优化过程。
为了达到上述发明目的，本发明的技术方案如下：
一种新型快速高效的滤波器小样本建模及模型优化方法，包括以下步骤：
步骤1：建立粗糙模型。首先，确定粗糙模型的输入向量和输出向量，将输入变量组成输入向量，输出变量组成输出向量；然后，利用ADS构建等效粗糙路模型，快速获取粗糙网络的样本数据；最后，训练网络并检测粗糙网络模型的精度是否满足要求；
步骤2：建立GPR样本集。利用CST软件，均匀采样，获得少量的全波电磁仿真结果。将ANN的预测结果作为先验知识，结合CST全波仿真结果，组成GPR样本数据；
步骤3：训练GPR模型。调用GPR样本数据，训练GPR模型；之后，调用CST产生测试样本，通过平均绝对误差对所提出方法的可靠性进行检验，完成模型建模过程；
步骤4：KBGP模型的优化。将GPR模型的输出结果，作为PSO适应度，不断更新PSO算法中粒子的位置，仅需几秒的时间就可以完成整个KBGP模型的优化过程。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
(1)本发明提出KBGP方法的建模技术，可以摆脱了原有神经网络模型对庞大的样本数量的限制，大幅度降低了样本数量，尤其在解决小样本快速滤波器模型问题中具有很高的计算精度和计算效率；
(2)本发明提出的KBGP方法的正向建模过程包含一个粗糙模型和一个高斯过程(GPR)。该方法结合了ANNs和GPR特点，在能保证模型精度的情况下，快速实现小样本建模；
(3)单独使用PSO的模型，容易陷入局部收敛，且计算速度较慢；本发明将KBGP模型的输出结果过作为适应度，更新PSO算法中粒子的位置，不仅能实现模型反向优化，还能快速寻找最优的输入向量值，避免了局部最优；
(4)本发明提出的KBGP方法不仅能够减少建模的训练样本和建模时间，还能提高模型的预测精度，表明了它在滤波器设计中具有重要价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
图1为新型KBGP的建模优化全过程示意图；
图2为新型KBGP的正向建模流程图；
图3为带阻滤波器的结构示意图；
图4为相同测试样本时，不同方法的|S21|曲线；
图5为基于KBGP方法的滤波器优化结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
基于带阻滤波器的技术指标，流程采用图1和图2所示过程和建模示意图，采用如图3所示的电路结构，具体的建模优化以下步骤：
步骤1：建立基于ANN的微带带阻滤波器的粗糙模型。带阻滤波器的指标要求：
|S21|≥0.92(-0.72dB)，for 2.8GHz≤f≤3.6GHz
|S21|≤0.05(-26dB)，for 4.1GHz≤f≤4.9GHz
|S21|≥0.92(-0.72dB)，for 5.4GHz≤f≤6.3GHz
确定粗糙模型的输入向量(表示第j个几何结构的第i个频点)，见表1微带带阻滤波器的样本数据，输出向量是|S21|。
表1微带带阻滤波器的样本数据
粗糙模型选取多层神经网络结构(MLPANNs)，并使用全因素正交实验方法选取了100组几何结构的ADS仿真结果作为样本数据，进行粗糙MLPANN模型训练，设置的测试误差精度为0.7dB。
步骤2：建立GPR样本集。
产生输入向量，调用CST进行全波电磁仿真。将ANN的预测结果作为先验知识，结合CST仿真结果，组成的GPR样本集；
步骤3：训练GPR模型。
GPR协方差函数表达式：
其中σf，σm分别是特征长度和信号的标准差。
首先，选取不同数量的GPR样本集，训练GPR，然后使用测试样本测试泛化误差，并与原有方法对比，见图4和表2为不同样本数量时，新型KBGP方法与原有方法的平均误差；
样本数量
6
9
12
15
18
21
24
KBNN
20.47％
9.47％
3.54％
2.28％
1.37％
1.01％
0.76％
GPR
2.39％
1.93％
1.49％
1.36％
1.32％
1.14％
1.05％
新型KBGP
1.28％
1.15％
0.76％
0.68％
0.61％
0.56％
0.48％
表2不同样本数量时，新型KBGP方法与原有方法的平均误差
步骤4：模型优化，寻找电路模型的最佳输入向量。
结合粒子群优化(PSO)算法，优化电路输入参数向量。依据指标要求，将适应度函数设置为：
fit＝3*S21丨通带+0.8*(0.93-S21丨低阻带)+1.2*(0.93-S21丨高阻带)
在PSO算法的寻优过程中，应使得fit函数尽量取最小值。经优化寻优后，可得到的电路模型的输入向量，优化结果如图5。
步骤5：模型评估分析。
由图4和表2可见，与原有的知识神经网络(KBNN)和高斯回归过程(GPR)等方法相比，KBGP结果与CST结果拟合度最好，样本数量12时，误差已经达到0.76％，可见KBGP建模方法不仅拟合度最高，而且KBGP误差最低，精度最高，且样本最少。该方法建模精度高，样本数量少，特别适用于实际的复杂工程。
由图5可见，经过该方法优化后，KBGP结果与全波CST精确结果完全一致，进一步降低了模型误差，提升了模型精度；因此，KBGP建模及其优化方法不仅能够减少建模的训练样本和建模时间，还能保证模型精度，且预测精度较高，表明本发明提出的建模优化方法在滤波器设计优化中具有重要价值，如表3新型KBGP方法与原有方法的消耗时间所示，通过本发明的方法代替原有的滤波器建模优化方法，利用少量的样本数据，能够快速精确地建立可靠模型，大大减少建模时间，见表2和表3，从而实现高效快速建模优化的目的。
算法
KBNN
GPR
新型KBGP
时间(s)
9.46
22.4
3.13
表3新型KBGP方法与原有方法的消耗时间
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：基于分子级网表的三模冗余方法